CN114820597B - 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 - Google Patents
一种基于人工智能的冶炼品缺陷检测方法、装置及系统 Download PDFInfo
- Publication number
- CN114820597B CN114820597B CN202210720330.2A CN202210720330A CN114820597B CN 114820597 B CN114820597 B CN 114820597B CN 202210720330 A CN202210720330 A CN 202210720330A CN 114820597 B CN114820597 B CN 114820597B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- defect
- images
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种基于人工智能的冶炼品缺陷检测方法、装置及系统,涉及人工智能检测技术领域,不但节省了人工成本,而且确保了检测准确度;还对灰度图像进行了灰度修正,排除了更多因素的影响,进一步提高了检测准确度。方案要点为:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测。本发明主要用于冶炼品缺陷检测中。
Description
技术领域
本发明涉及人工智能检测技术领域,尤其涉及一种基于人工智能的冶炼品缺陷检测方法、装置及系统。
背景技术
近年来, 随着冶炼工业不断发展,其产量日益增加。在冶炼工艺中,例如:炼铁工艺中,往往会存在很多生铁残次品,即冶炼出的生铁表面存在大量的缺陷,致使生铁产品质量下降。因此,在大量冶炼成品中检测并筛选出存在缺陷的残次品,成为了提高冶炼质量的有力保证。
现有技术通过人工挑选的方式实现对残次品的检测与筛选,具体的,工人通过肉眼观察,识别存在缺陷的残次品,并将其筛除。
上述现有技术即通过人工挑选实现对残次品的检测与筛选,由于目前冶炼工业产量大,人工消耗巨大,成本高;冶炼工厂环境恶劣,不利于检测工人身体健康;人工通过肉眼识别存在缺陷的残次品,存在较大局限性,准确率低,从而无法保证冶炼质量。
发明内容
本发明提供一种基于人工智能的冶炼品缺陷检测方法、装置及系统,包括:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
为达到上述目的,本发明采用如下技术方案:
本发明提供一种基于人工智能的冶炼品缺陷检测方法,包括:
获取待检物各表面原始图像。
将每一张原始图像转换为灰度图像;每一张灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数。
对于各张灰度图像,分别计算每一行像素平均值和每一行像素方差。
根据每一行像素平均值和每一行像素方差,计算阈值分割点。
根据阈值分割点与各张所述灰度图像上各像素点的像素值,判断每一张灰度图像是否为光照不均图像:
若灰度图像上存在一个或多个像素点的像素值大于阈值分割点,则断定当前灰度图像为光照不均图像。
对于各张光照不均图像,分别进行灰度修正。
确定各张灰度图像上每一行像素点的修正后灰度信息。
同理,获取每一列像素点的修正后灰度信息。
对于各张灰度图像,根据其每一行像素点的修正后灰度信息和每一列像素点的修正后灰度信息,确定其最终灰度值。
对于各张灰度图像,根据其最终灰度值进行缺陷检测,以便对应完成待检物的缺陷检测。
进一步的,所述的基于人工智能的冶炼品缺陷检测方法,在对于各张灰度图像,根据其最终灰度值进行缺陷检测之后,还包括:
选取多张无缺陷灰度图像和多张有缺陷灰度图像,确定为有效性判定图像组。
提取有效性判定图像组中每一张图像的一种或多种特征向量。
根据特征向量,构建有效性判定模型。
由有效性判定模型分析结果,确定缺陷图像筛选特征向量。
根据筛选特征向量,构建筛选模型。
根据筛选模型,计算每一张灰度图像的丰富度。
根据丰富度,对于各张灰度图像进行缺陷再检测,以便对应完成待检物的缺陷再检测。
进一步的,所述的基于人工智能的冶炼品缺陷检测方法,在对于各张灰度图像进行缺陷再检测,以便对应完成待检物的缺陷再检测之后,还包括:
对缺陷待检物对应的缺陷图像进行分割,以便选取缺陷图像中的缺陷区域。
对缺陷区域进行缺陷类型识别,以便得到缺陷待检物的缺陷类型。
进一步的,所述的基于人工智能的冶炼品缺陷检测方法,在选取多张无缺陷灰度图像和多张有缺陷灰度图像,确定为有效性判定图像组之前,还包括:
对于各张灰度图像,进行滤波处理。
进一步的,滤波处理包括:
领域均值滤波处理、自适应中值滤波去噪处理和高斯滤波处理。
进一步的,将每一张原始图像转换为灰度图像,包括:
采用加权平均法或最大值法将每一张原始图像转换为灰度图像。
本发明还提供一种基于人工智能的冶炼品缺陷检测装置,包括:
第一获取单元,用于获取待检物各表面原始图像。
转换单元,用于将每一张原始图像转换为灰度图像;每一张灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数。
第一计算单元,用于对于各张灰度图像,分别计算每一行像素平均值和每一行像素方差。
第二计算单元,用于根据每一行像素平均值和每一行像素方差,计算阈值分割点。
判断单元,用于根据阈值分割点与各张灰度图像上各像素点的像素值,判断每一张灰度图像是否为光照不均图像:
若灰度图像上存在一个或多个像素点的像素值大于所述阈值分割点,则断定当前灰度图像为光照不均图像。
修正单元,用于对于各张光照不均图像,分别进行灰度修正。
第一确定单元,用于确定各张灰度图像上每一行像素点的修正后灰度信息。
第二获取单元,用于获取每一列像素点的修正后灰度信息。
第二确定单元,用于对于各张灰度图像,根据其每一行像素点的修正后灰度信息和每一列像素点的修正后灰度信息,确定最终灰度值。
检测单元,用于对于各张灰度图像,根据其最终灰度值进行缺陷检测,以便对应完成待检物的缺陷检测。
进一步的,所述的基于人工智能的冶炼品缺陷检测装置,还包括:
滤波单元,用于对于各张灰度图像,进行滤波处理。
选取单元,用于选取多张无缺陷灰度图像和多张有缺陷灰度图像,确定为有效性判定图像组。
提取单元,用于提取有效性判定图像组中每一张图像的一种或多种特征向量。
第一构建单元,用于根据特征向量,构建有效性判定模型。
第三确定单元,用于由有效性判定模型分析结果,确定缺陷图像筛选特征向量。
第二构建单元,用于根据筛选特征向量,构建筛选模型。
第三计算单元,用于根据筛选模型,计算每一张灰度图像的丰富度。
再检测单元,用于根据丰富度,对于各张灰度图像进行缺陷再检测,以便对应完成待检物的缺陷再检测。
进一步的,所述的基于人工智能的冶炼品缺陷检测装置,还包括:
分割单元,用于对缺陷待检物对应的缺陷图像进行分割,以便选取缺陷图像中的缺陷区域。
缺陷类型识别单元,用于对缺陷区域进行缺陷类型识别,以便得到缺陷待检物的缺陷类型。
本发明还提供一种基于人工智能的冶炼品缺陷检测系统,包括:
采集装置,图像缺陷检测装置,缺陷类型识别装置和显示装置。
其中,采集装置用于采集待检物原始图像,并将原始图像发送给所述图像缺陷检测装置。
图像缺陷检测装置接收采集装置发送的原始图像,对待检物进行缺陷检测,并将缺陷待检物的图像信息发送给缺陷类型识别装置。
缺陷类型识别装置接收图像缺陷检测装置发送的缺陷待检物的图像信息,进行缺陷类型识别,并将缺陷类型识别结果发送给显示装置;
显示装置接收缺陷类型识别装置发送缺陷类型识别结果并显示。
本发明提供一种基于人工智能的冶炼品缺陷检测方法、装置及系统,包括:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,以下将对实施例描述中所需要使用的附图作简单地介绍,附图仅用于示出实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中一种基于人工智能的冶炼品缺陷检测方法流程示意图;
图2为本发明实施例中一种基于人工智能的冶炼品缺陷检测方法流程示意图;
图3为本发明实施例中一种基于人工智能的冶炼品缺陷检测装置组成结构示意图;
图4为本发明实施例中一种基于人工智能的冶炼品缺陷检测系统组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明术领域的技术人员通常理解的含义相同;本发明中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本发明实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本发明实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本发明实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本发明实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。
在本发明实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明例中的具体含义。
实施例1
本发明实施例提供一种基于人工智能的冶炼品缺陷检测方法,如图1所示,包括:
101、获取待检物各表面原始图像。
本实施例对待检物不作任何限制,能够被成像设备(如相机)获取表面图像即可,例如:当待检物为生铁产品时,使用相机获取一个或多个生铁产品各外表面图像。
102、将每一张原始图像转换为灰度图像;每一张灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数。
其中,像素是由一个数字序列表示的图像中的一个最小单位,每个像素都有一个明确的位置和被分配的色彩数值,像素的颜色和位置就决定了该图像所呈现出来的样子。
103、对于各张灰度图像,分别计算每一行像素平均值和每一行像素方差。
其中,灰度图像是每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗黑色到最亮白色的灰度,灰度图像与黑白图像不同,在计算机图像领域中黑白图像只有黑色、白色两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度。一幅完整的灰度图像,是由红色、绿色、蓝色三个通道组成的,红色、绿色、蓝色三个通道的缩览图都是以灰度显示的,即用不同的灰度色阶来表示“ 红、绿、蓝”在图像中的比重。
104、根据每一行像素平均值和每一行像素方差,计算阈值分割点。
105、根据阈值分割点与各张灰度图像上各像素点的像素值,判断每一张灰度图像是否为光照不均图像。
1051、若灰度图像上存在一个或多个像素点的像素值大于所述阈值分割点,则断定当前灰度图像为光照不均图像。
其中,光照不均图像,顾名思义,是待检物在成像时受到了环境光或成像设备因素的影响,例如:检测厂房灯光,生铁产品表面对于光线吸收和反射的差异性,成像设备摄像头等因素。
106、对于各光照不均图像,分别进行灰度修正。
107、确定各张灰度图像上每一行像素点的修正后灰度信息。
108、获取每一列像素点的修正后灰度信息。
109、对于各张灰度图像,根据其每一行像素点的修正后灰度信息和每一列像素点的修正后灰度信息,确定其最终灰度值。
110、对于各张灰度图像,根据其最终灰度值进行缺陷检测,以便对应完成待检物的缺陷检测。
其中,对于各张灰度图像,根据其最终灰度值进行人工或者智能分辨检测,实现了通过待检物对应的各张灰度图像对其进行缺陷检测,即当待检物对应的一张或多张灰度图像存在缺陷时,则确定该待检物存在缺陷。
此处需要说明的是:本实施例中各装置的详细介绍,可对应参照其他实施例。
本发明提供一种基于人工智能的冶炼品缺陷检测方法,包括:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
实施例2
本发明实施例提供一种基于人工智能的冶炼品缺陷检测方法,如图2所示,包括:
201、获取待检物各表面原始图像。
本实施例选用生铁作为待检物,通过RGB相机获取生铁各表面原始图像。
202、将每一张原始图像转换为灰度图像;每一张灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数。
205、根据阈值分割点Ti与各张灰度图像上各点像素值g(i, j) ,判断每一张灰度图像是否为光照不均图像:
2051、即当灰度图像上第i行、第j列像素点的像素值g(i, j)大于阈值分割点Ti时,则断定该像素点所在的灰度图像为光照不均图像。
208、同理,获取每一列像素点的修正后灰度信息Cij。
210、对于各张灰度图像,根据其最终灰度值进行缺陷检测。
其中,对于各张灰度图像,根据其最终灰度值进行人工或者智能分辨检测,实现了通过待检物对应的各张灰度图像对其进行缺陷检测,即当待检物对应的一张或多张灰度图像存在缺陷时,则确定该待检物存在缺陷。
211、对于各张灰度图像,进行滤波处理。
本实施例滤波处理具体方式可选用领域均值滤波处理、自适应中值滤波去噪处理和高斯滤波处理中一种,优选的,本实施例选用自适应中值滤波去噪处理。
212、选取多张无缺陷灰度图像和多张有缺陷灰度图像,确定为有效性判定图像组。
此处需要说明的是:多张无缺陷灰度图像和多张有缺陷灰度图像由步骤210检测结果处获取。
213、提取有效性判定图像组中每一张图像的一种或多种特征向量。
214、根据特征向量,构建有效性判定模型。
其中,有效性判定模型表达式为:
215、由有效性判定模型分析结果,确定缺陷图像筛选特征向量。
分析可得:,时,认为有缺陷图像与无缺陷图像之间的特征存在重合,越大,则有缺陷与无缺陷图像间的特征重合越多。根据此特征进行缺陷图像检测筛选时,会存在误差。时,本发明实施例认为无缺陷灰度图像和有缺陷灰度图像之间的特征不存在重合,越小,则无缺陷灰度图像和有缺陷灰度图像之间的特征差异越明显,则认为该特征有效性高,可将其作为缺陷图像筛选的特征向量,即值越小,对应特征有效性越高。
216、根据筛选特征向量,构建筛选模型。
式中,V1 、V2、V3分别由有效性判定模型获取。
217、根据筛选模型,计算每一张灰度图像的丰富度。
其中,根据上述筛选模型,计算每一张灰度图像的丰富度。
218、根据每一张灰度图像的丰富度,对于各张灰度图像进行缺陷再检测,以便对应完成待检物的缺陷再检测。
本实施例设置丰富度筛选阈值:,当计算所得图像丰富度大于丰富度筛选阈值时,则确定当前图像的丰富度过高,为有缺陷图像;当计算所得图像丰富度小于或等于丰富度筛选阈值时,则确定当前图像的丰富度低,为无缺陷图像。
219、对缺陷待检物对应的缺陷图像进行分割,以便选取缺陷图像中的缺陷区域。
其中,可通过自适应阈值分割算法、基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等实现对缺陷图像的分割,优选的本实施例选取自适应阈值的图像分割算法,将缺陷图像中的缺陷区域分离出来。由于自适应阈值的图像分割算法为本领域技术人员所熟知的,此处不再赘述。
220、对缺陷区域进行缺陷类型识别,以便得到缺陷待检物的缺陷类型。
其中,本实施例选用Encoder-Decoder-FC的分类网络模型对缺陷类型进行识别。具体的,首先进行网络标签数据的制作,本发明将生铁表面缺陷类型分为5类,分别为:气孔缺陷、表面夹层缺陷、破损缺陷、斑点缺陷、分层缺陷,并依次标记为1-5;然后将标签数据和图像数据均送入网络模型中进行训练学习,网络采用交叉熵损失函数进行迭代训练,不断更新网络参数;网络的输出为每个缺陷类别的概率值,最后经过argmax操作,获取生铁表面缺陷类型。
此处需要说明的是:本实施例中各装置的详细介绍,可对应参照其他实施例。
本发明提供一种基于人工智能的冶炼品缺陷检测方法,包括:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
进一步,本实施例在对各张灰度图像进行滤波处理的基础上,计算丰富度,对于各张灰度图像进行缺陷再检测,相比于现有技术,进一步提高了检测准确度。
更进一步的,本实施例在对灰度图像进行缺陷再检测之后,对其具体的缺陷类型进行了精确识别,有助于冶炼工艺的针对性改进。
实施例3
本发明实施例提供一种基于人工智能的冶炼品缺陷检测装置,如图3所示,包括:
第一获取单元11,用于获取待检物各表面原始图像。
转换单元12,用于将每一张原始图像转换为灰度图像;每一张灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数。
第一计算单元13,用于对于各张灰度图像,分别计算每一行像素平均值和每一行像素方差。
第二计算单元14,用于根据每一行像素平均值和每一行像素方差,计算阈值分割点。
判断单元15,用于根据阈值分割点与各张所述灰度图像上各像素点的像素值,判断每一张灰度图像是否为光照不均图像:
若灰度图像上存在一个或多个像素点的像素值大于所述阈值分割点,则断定当前灰度图像为光照不均图像。
修正单元16,用于对于各张光照不均图像,分别进行灰度修正。
第一确定单元17,用于确定各张灰度图像上每一行像素点的修正后灰度信息。
第二获取单元18,用于获取每一列像素点的修正后灰度信息。
第二确定单元19,用于对于各张灰度图像,根据其每一行像素点的修正后灰度信息和每一列像素点的修正后灰度信息,确定最终灰度值。
检测单元20,用于对于各张灰度图像,根据其最终灰度值进行缺陷检测,以便对应完成待检物的缺陷检测。
滤波单元21,用于对于各张灰度图像,进行滤波处理。
选取单元22,用于选取多张无缺陷灰度图像和多张有缺陷灰度图像,确定为有效性判定图像组。
提取单元23,用于提取有效性判定图像组中每一张图像的一种或多种特征向量。
第一构建单元24,用于根据特征向量,构建有效性判定模型。
第三确定单元25,用于由有效性判定模型分析结果,确定缺陷图像筛选特征向量。
第二构建单元26,用于根据筛选特征向量,构建筛选模型。
第三计算单元27,用于根据筛选模型,计算每一张灰度图像的丰富度。
再检测单元28,用于根据丰富度,对于各张灰度图像进行缺陷再检测,以便对应完成待检物的缺陷再检测。
分割单元29,用于对缺陷待检物对应的缺陷图像进行分割,以便选取缺陷图像中的缺陷区域。
缺陷类型识别单元30,用于对缺陷区域进行缺陷类型识别,以便得到缺陷待检物的缺陷类型。
此处需要说明的是:本实施例中各单元的详细介绍,可对应参照其他实施例。
本发明提供一种基于人工智能的冶炼品缺陷检测装置,包括:获取待检物各表面原始图像,将其转换为灰度图像,分别计算每一行像素平均值、每一行像素方差和阈值分割点,根据阈值分割点区分出光照不均图像,并对其进行灰度修正,根据修正后灰度信息确定其最终灰度值,根据最终灰度值进行缺陷检测,即对应完成待检物的缺陷检测,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
实施例4
本发明实施例提供一种基于人工智能的冶炼品缺陷检测系统,如图4所示,包括:
采集装置41,图像缺陷检测装置42,缺陷类型识别装置43和显示装置44。
其中,采集装置41用于采集待检物原始图像,并将原始图像发送给所述图像缺陷检测装置42。
图像缺陷检测装置42接收采集装置41发送的原始图像,对待检物进行缺陷检测,并将缺陷待检物的图像信息发送给缺陷类型识别装置43。
缺陷类型识别装置43接收图像缺陷检测装置42发送的缺陷待检物的图像信息,进行缺陷类型识别,并将缺陷类型识别结果发送给显示装置44。
显示装置44接收缺陷类型识别装置43发送缺陷类型识别结果并显示。
此处需要说明的是:本实施例中各装置的详细介绍,可对应参照其他实施例。
本发明提供一种基于人工智能的冶炼品缺陷检测系统,包括:采集装置,图像缺陷检测装置,缺陷类型识别装置和显示装置,相比于现有技术,本发明科学地将待检物各表面原始图像转换为灰度图像进行检测,不但节省了人工成本,而且确保了检测准确度;进一步的,本发明还对灰度图像进行了灰度修正,排除了更多因素的影响,例如:冶炼品在成像时受到成像设备摄像头、检测环境光源或冶炼品表面对于光线吸收和反射差异的影响,大大提高了检测准确度。
最后应说明的是:以上各实施例仅用以说明本发明技术方案,非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.一种基于人工智能的冶炼品缺陷检测方法,其特征在于,包括:
获取待检物各表面原始图像;
将每一张所述原始图像转换为灰度图像;每一张所述灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数;
对于各张所述灰度图像,分别计算每一行像素平均值和每一行像素方差;
根据所述每一行像素平均值和每一行像素方差,计算阈值分割点;
根据所述阈值分割点与各张所述灰度图像上各像素点的像素值,判断每一张所述灰度图像是否为光照不均图像:
若所述灰度图像上存在一个或多个像素点的像素值大于所述阈值分割点,则断定当前所述灰度图像为光照不均图像;
对于各张所述光照不均图像,分别进行灰度修正;
确定各张所述灰度图像上每一行像素点的修正后灰度信息;
同理,获取每一列像素点的修正后灰度信息;
对于各张所述灰度图像,根据其所述每一行像素点的修正后灰度信息和所述每一列像素点的修正后灰度信息,确定其最终灰度值;
对于各张所述灰度图像,根据其所述最终灰度值进行缺陷检测,以便对应完成所述待检物的缺陷检测。
2.根据权利要求1所述的基于人工智能的冶炼品缺陷检测方法,其特征在于,在对于各张所述灰度图像,根据其所述最终灰度值进行缺陷检测之后,还包括:
选取多张无缺陷所述灰度图像和多张有缺陷所述灰度图像,确定为有效性判定图像组;
提取所述有效性判定图像组中每一张图像的一种或多种特征向量;
根据所述特征向量,构建有效性判定模型;
由所述有效性判定模型分析结果,确定缺陷图像筛选特征向量;
根据所述筛选特征向量,构建筛选模型;
根据所述筛选模型,计算每一张所述灰度图像的丰富度;
根据所述丰富度,对于各张所述灰度图像进行缺陷再检测,以便对应完成所述待检物的缺陷再检测。
3.根据权利要求2所述的基于人工智能的冶炼品缺陷检测方法,其特征在于,在对于各张所述灰度图像进行缺陷再检测,以便对应完成所述待检物的缺陷再检测之后,还包括:
对缺陷待检物对应的缺陷图像进行分割,以便选取所述缺陷图像中的缺陷区域;
对所述缺陷区域进行缺陷类型识别,以便得到所述缺陷待检物的缺陷类型。
4.根据权利要求2所述的基于人工智能的冶炼品缺陷检测方法,其特征在于,在选取多张无缺陷所述灰度图像和多张有缺陷所述灰度图像,确定为有效性判定图像组之前,还包括:
对于各张所述灰度图像,进行滤波处理。
5.根据权利要求4所述的基于人工智能的冶炼品缺陷检测方法,其特征在于,所述滤波处理包括:
领域均值滤波处理、自适应中值滤波去噪处理和高斯滤波处理。
6.根据权利要求1所述的基于人工智能的冶炼品缺陷检测方法,其特征在于,将每一张所述原始图像转换为灰度图像,包括:
采用加权平均法或最大值法将每一张所述原始图像转换为灰度图像。
7.一种基于人工智能的冶炼品缺陷检测装置,其特征在于,包括:
第一获取单元,用于获取待检物各表面原始图像;
转换单元,用于将每一张所述原始图像转换为灰度图像;每一张所述灰度图像由均匀分布的M行、N列像素点组成,其中,M为大于或等于1的整数,N为大于或等于1的整数;
第一计算单元,用于对于各张所述灰度图像,分别计算每一行像素平均值和每一行像素方差;
第二计算单元,用于根据所述每一行像素平均值和每一行像素方差,计算阈值分割点;
判断单元,用于根据所述阈值分割点与各张所述灰度图像上各像素点的像素值,判断每一张所述灰度图像是否为光照不均图像:
若所述灰度图像上存在一个或多个像素点的像素值大于所述阈值分割点,则断定当前所述灰度图像为光照不均图像;
修正单元,用于对于各张所述光照不均图像,分别进行灰度修正;
第一确定单元,用于确定各张所述灰度图像上每一行像素点的修正后灰度信息;
第二获取单元,用于获取每一列像素点的修正后灰度信息;
第二确定单元,用于对于各张所述灰度图像,根据其所述每一行像素点的修正后灰度信息和所述每一列像素点的修正后灰度信息,确定最终灰度值;
检测单元,用于对于各张所述灰度图像,根据其所述最终灰度值进行缺陷检测,以便对应完成所述待检物的缺陷检测。
8.根据权利要求7所述的基于人工智能的冶炼品缺陷检测装置,其特征在于,还包括:
滤波单元,用于对于各张所述灰度图像,进行滤波处理;
选取单元,用于选取多张无缺陷所述灰度图像和多张有缺陷所述灰度图像,确定为有效性判定图像组;
提取单元,用于提取所述有效性判定图像组中每一张图像的一种或多种特征向量;
第一构建单元,用于根据所述特征向量,构建有效性判定模型;
第三确定单元,用于由所述有效性判定模型分析结果,确定缺陷图像筛选特征向量;
第二构建单元,用于根据所述筛选特征向量,构建筛选模型;
第三计算单元,用于根据所述筛选模型,计算每一张所述灰度图像的丰富度;
再检测单元,用于根据所述丰富度,对于各张所述灰度图像进行缺陷再检测,以便对应完成所述待检物的缺陷再检测。
9.根据权利要求8所述的基于人工智能的冶炼品缺陷检测装置,其特征在于,还包括:
分割单元,用于对缺陷待检物对应的缺陷图像进行分割,以便选取所述缺陷图像中的缺陷区域;
缺陷类型识别单元,用于对所述缺陷区域进行缺陷类型识别,以便得到所述缺陷待检物的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720330.2A CN114820597B (zh) | 2022-06-24 | 2022-06-24 | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720330.2A CN114820597B (zh) | 2022-06-24 | 2022-06-24 | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820597A CN114820597A (zh) | 2022-07-29 |
CN114820597B true CN114820597B (zh) | 2022-09-20 |
Family
ID=82520485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720330.2A Active CN114820597B (zh) | 2022-06-24 | 2022-06-24 | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820597B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049736B (zh) * | 2022-08-15 | 2022-10-25 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN108020554A (zh) * | 2017-10-31 | 2018-05-11 | 无锡港湾网络科技有限公司 | 一种带钢表面缺陷识别检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079955A (zh) * | 2019-12-05 | 2020-04-28 | 贵州电网有限责任公司 | 一种基于x射线成像的gis设备缺陷检测方法 |
CN112381796B (zh) * | 2020-11-16 | 2021-08-03 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN113674273B (zh) * | 2021-09-16 | 2021-12-31 | 深圳市光明顶照明科技有限公司 | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 |
CN114627111B (zh) * | 2022-05-12 | 2022-07-29 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
-
2022
- 2022-06-24 CN CN202210720330.2A patent/CN114820597B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN108020554A (zh) * | 2017-10-31 | 2018-05-11 | 无锡港湾网络科技有限公司 | 一种带钢表面缺陷识别检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114820597A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
CN112837287B (zh) | 一种板面缺陷区域的提取方法及装置 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN114419039A (zh) | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |